CN117969094A - 一种滚动轴承故障诊断方法、装置及系统 - Google Patents
一种滚动轴承故障诊断方法、装置及系统 Download PDFInfo
- Publication number
- CN117969094A CN117969094A CN202410219264.XA CN202410219264A CN117969094A CN 117969094 A CN117969094 A CN 117969094A CN 202410219264 A CN202410219264 A CN 202410219264A CN 117969094 A CN117969094 A CN 117969094A
- Authority
- CN
- China
- Prior art keywords
- layer
- vector
- capsule
- cprn
- rolling bearing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005096 rolling process Methods 0.000 title claims abstract description 53
- 238000003745 diagnosis Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000013598 vector Substances 0.000 claims abstract description 108
- 239000002775 capsule Substances 0.000 claims abstract description 106
- 238000010586 diagram Methods 0.000 claims abstract description 55
- 230000009466 transformation Effects 0.000 claims abstract description 41
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000011176 pooling Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 42
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 22
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000008878 coupling Effects 0.000 claims description 8
- 238000010168 coupling process Methods 0.000 claims description 8
- 238000005859 coupling reaction Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000007906 compression Methods 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种滚动轴承故障诊断方法、装置及系统,包括获取含有噪声的实时滚动轴承振动数据,对其进行连续小波变换,生成对应的时频图;将时频图输入至预先训练好的CA‑CPRN网络中,生成故障诊断结果;所述CA‑CPRN网络包括通道注意力模块和CPRN网络;通道注意力模块用于对接收到的时频图进行处理,生成特征图;CPRN网络包括残差神经网络和胶囊层,残差神经网络包括第一卷积层、最大池化层、第一残差块、第二卷积层和第二残差块;胶囊层包括初级胶囊层和数字胶囊层;初级胶囊层用于将标量转化为向量,生成输入向量;数字胶囊层用于对输入向量进行处理,生成代表数据特征的总输出向量,以总输出向量的模长作为分类依据,进行故障类型分类。本发明能够实现强噪声下的滚动轴承故障诊断。
Description
技术领域
本发明属于滚动轴承故障诊断领域,具体涉及一种滚动轴承故障诊断方法、装置及系统。
背景技术
滚动轴承作为风电机组传动链的关键旋转部件,与其他部件紧密关联,不但自身极易受到力、热及振动等非线性、非平稳因素的影响从而出现故障,而且随故障严重程度的增加,也容易导致其他相邻部件发生故障,严重影响了机组的安全与经济运行。因此,对风电机组滚动轴承进行故障诊断,对于保障机组的安全运行、避免重大事故发生具有重要的现实意义。
滚动轴承故障诊断方法已经有了一定的发展,但目前依然面临很多挑战。如:需要人为提取传统特征,针对不同工况下的故障需要提取不同的特征,这将会需要更多专家经验。随着深度学习的不断发展,不再需要人工提取特征,可以利用深度网络自动提取特征进而实现故障诊断。但是,传统的深度学习网络只能利用单一的特征,无法提取振动信号更深层次的特征,导致诊断效率不高。除此之外,在强噪声条件下故障特征被噪声淹没,难以提取有效的特征信息,无法高效完成滚动轴承故障诊断。
发明内容
针对上述问题,本发明提出一种滚动轴承故障诊断方法、装置及系统,能够实现强噪声下的滚动轴承故障诊断。
为了实现上述技术目的,达到上述技术效果,本发明通过以下技术方案实现:
第一方面,本发明提供了一种滚动轴承故障诊断方法,包括:
获取含有噪声的实时滚动轴承振动数据,对其进行连续小波变换,生成对应的时频图;
将所述时频图输入至预先训练好的CA-CPRN网络中,生成故障诊断结果;
其中,所述CA-CPRN网络包括顺次设置的通道注意力模块和CPRN网络;
所述通道注意力模块用于对接收到的时频图依次进行压缩、激励与加重加权处理,生成特征图;
所述CPRN网络包括残差神经网络和胶囊层,所述残差神经网络包括第一卷积层、最大池化层、第一残差块、第二卷积层和第二残差块;所述胶囊层包括顺次设置的初级胶囊层和数字胶囊层;所述初级胶囊层用于将标量转化为向量,生成输入向量,所述数字胶囊层用于对所述输入向量进行矩阵变换、加权求和、非线性变换,生成代表数据特征的总输出向量,并以总输出向量的模长作为分类依据,进行故障类型分类。
可选地,所述通道注意力模块对接收到的时频图执行以下处理:
将输入的时频图进行特征提取,生成维度为W×H×C的特征图Z;
对所述特征图Z进行全局平均池化,将维度为W×H×C的特征图压缩为1×1×C,得到压缩后的特征图z,压缩后的特征图z在第c个通道上的值zc的计算公式为:
其中,uc表示在第c个通道上输出的特征矩阵;
利用第一全连接层将特征图z的通道维度降低为原来的1/r,然后经过relu激活函数,得到特征图z',再通过第二全连接层,将特征图z'恢复到初始的1×1×C的维度,得到特征图z”,最后经过sigmoid函数将特征图z”转化为一个0-1之间的归一化权重向量,所述归一化权重向量计算公式如下:
Z* c=F2(w2×F1(w1×zc))
式中,F1表示relu激活函数,F2表示sigmod激活函数,Z* c表示每一个通道归一化权重向量,w1表示第一全连接层的权重,w2表示第二全连接层的权重;
将归一化权重向量加权到每个通道的特征图上,即逐通道乘以权重系数,计算公式如:
X=Z* c×uc
式中,X表示通道注意力模块的输出结果,Z* c表示第c个通道上输出的特征矩阵的权重。
可选地,所述第一残差块和第二残差块均包括顺次设置的3×3的卷积层、第一BN层、relu激活函数、3×3的卷积层和第二BN层;
在所述第一残差块和第二残差块中,各个卷积层之间的输入和输出之间添加跳跃连接公式如下;
xl=f(xl-1)+xl-1
式中,xl是第l层输出;xl-1是第l-1层的输出;f(·)是非线性变换。
可选地,所述初级胶囊层对特征图进行向量化处理,构建输入向量;
初级胶囊对故障特征类别进行预测,由输入向量乘以权值共享的仿射变换矩阵得到预测向量:
uk|f=Wkuf
式中,uf,f=1,2,...,h代表输入向量,h代表初级胶囊的个数;Wk是第k个仿射变换矩阵;uk|f是预测向量,k表示仿射变换矩阵和数字胶囊的数量;
计算初级胶囊与数字胶囊之间的耦合系数,并对所有预测向量进行加权求和得到总输入向量;
式中,bkf为初级胶囊与数字胶囊之间的对数先验概率,初始值设为0,ckf为耦合系数;sk为总输出向量;
使用非线性函数将总向量长度压缩在(0,1)间,使向量模长表示实体存在概率,整个过程方向不变,公式如:
式中,vk为压缩后的总输出向量的长度;||sk||为总输出向量的模长;
迭代更新bkf与ckf,公式如;
bkf=bkf+vkuk|f
迭代更新多次后,胶囊层对各种特征进行学习后,以总输出向量的模长作为分类依据,进行故障类型分类。
可选地,所述CA-CPRN网络的损失函数为边际损失函数,其公式如下:
Lk=Tkmax(0,m+-||vk||)2+λ(1-Tk)max(0,||vk||-m-)2
其中,Lk为分类的指示函数,输入数据正确标签的位置与数字胶囊位置相同则为1,否则为0;m+、m-分别为上界与下界;vk为第k个数字胶囊的输出向量。
可选地,所述CA-CPRN网络的训练方法包括:
将强噪声信号加入至获取到的预设历史时间段内的滚动轴承振动数据,生成加噪信号;
对所述加噪信号进行连续小波变换,生成对应的时频图;
以所述时频图作为输入,以对应的故障识别结果作为输出,进行CA-CPRN网络的训练和参数更新。
第二方面,本发明提供了一种滚动轴承故障诊断装置,包括:
数据获取模块,用于获取含有噪声的实时滚动轴承振动数据,对其进行连续小波变换,生成对应的时频图;
诊断模块,用于将所述时频图输入至预先训练好的CA-CPRN网络中,生成故障诊断结果;
其中,所述CA-CPRN网络的训练方法包括:
所述CA-CPRN网络包括顺次设置的通道注意力模块和CPRN网络;
所述通道注意力模块用于对接收到的时频图依次进行压缩、激励与加重加权处理,生成特征图;
所述CPRN网络包括残差神经网络和胶囊层,所述残差神经网络包括第一卷积层、最大池化层、第一残差块、第二卷积层和第二残差块;所述胶囊层包括顺次设置的初级胶囊层和数字胶囊层;所述初级胶囊层用于将标量转化为向量,生成输入向量,所述数字胶囊层用于对所述输入向量进行矩阵变换、加权求和、非线性变换,生成代表数据特征的特征向量。
第三方面,本发明提供了一种滚动轴承故障诊断系统,包括存储介质和处理器;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据第一方面中任一项所述的方法。
与现有技术相比,本发明的有益效果:
本发明设计了适用于强噪声下滚动轴承故障诊断的CA-CPRN网络,实现了强噪声下故障特征自动提取,能够较好的应用于强噪声下滚动轴承故障诊断,准确率更高、训练参数较少、收敛速度快、鲁棒性好。具体地,本发明将CA网络和CPRN网络相结合,两者的适配性很好。CA模块给不同通道的特征图赋予不同权重值后,可以充分提取有效特征,同时也可以削弱冗余特征对模型性能的干扰,提高了模型的特征提取能力。将胶囊网络中的特征向量化方法与动态路由机制引入残差神经网络中,搭建了CPRN网络模型。相比于以往的深度学习故障诊断方法,该模型结合了残差连接与胶囊网络中特征的向量化方法,在充分提取位姿信息、提高特征识别能力的同时降低了模型的训练难度,融合了两种模型的优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图,其中:
图1为本发明实施例中滚动轴承故障诊断方法的流程示意图;
图2为本发明实施例的CPRN网络结构示意图;
图3为本发明实施例的CA-CPRN网络结构示意图;
图4为本发明实施例不同网络模型在不同噪声等级下的故障诊断准确率对比图;
图5为本发明实施例的模型训练准确率与误差曲线。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
另外,若本发明实施例中有涉及“第一”、“第二”等的描述,则该“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
实施例1
本发明实施例中提供了一种滚动轴承故障诊断方法,具体包括以下步骤:
(1)获取含有噪声的实时滚动轴承振动数据,对其进行连续小波变换,生成对应的时频图;
(2)将所述时频图输入至预先训练好的CA-CPRN网络中,生成故障诊断结果;
其中,所述CA-CPRN网络包括顺次设置的通道注意力模块和CPRN网络;
所述通道注意力模块用于对接收到的时频图依次进行压缩、激励与加重加权处理,生成特征图;
如图2所示,所述CPRN网络包括残差神经网络和胶囊层,所述残差神经网络包括第一卷积层(即卷积层1)、最大池化层、第一残差块(即残差块1)、第二卷积层(即卷积层2)和第二残差块(即残差块2);所述胶囊层包括顺次设置的初级胶囊层和数字胶囊层;所述初级胶囊层用于将标量转化为向量,生成输入向量,所述数字胶囊层用于对所述输入向量进行矩阵变换、加权求和、非线性变换,生成代表数据特征的总输出向量,并以总输出向量的模长作为分类依据,进行故障类型分类。
在本发明实施例的一种具体实施方式中,所述通道注意力模块对接收到的时频图执行以下处理:
将输入的时频图进行特征提取,生成维度为W×H×C的特征图Z;
对所述特征图Z进行全局平均池化,将维度为W×H×C的特征图压缩为1×1×C,得到压缩后的特征图z,压缩后的特征图z在第c个通道上的值zc的计算公式为:
其中,uc表示在第c个通道上输出的特征矩阵;
利用第一全连接层将特征图z的通道维度降低为原来的1/r,然后经过relu激活函数,得到特征图z',再通过第二全连接层,将特征图z'恢复到初始的1×1×C的维度,得到特征图z”,最后经过sigmoid函数将特征图z”转化为一个0-1之间的归一化权重向量,所述归一化权重向量计算公式如下:
Z* c=F2(w2×F1(w1×zc))
式中,F1表示relu激活函数,F2表示sigmod激活函数,Z* c表示每一个通道归一化权重向量,w1表示第一全连接层的权重,w2表示第二全连接层的权重;
将归一化权重向量加权到每个通道的特征图上,即逐通道乘以权重系数,计算公式如:
X=Z* c×uc
式中,X表示通道注意力模块的输出结果,Z* c表示第c个通道上输出的特征矩阵的权重。
在本发明实施例的一种具体实施方式中,所述第一残差块和第二残差块均包括顺次设置的3×3的卷积层、第一BN层、relu激活函数、3×3的卷积层和第二BN层;
在所述第一残差块和第二残差块中,各个卷积层之间的输入和输出之间添加跳跃连接公式如下;
xl=f(xl-1)+xl-1
式中,xl是第l层输出;xl-1是第l-1层的输出;f(·)是非线性变换。
在本发明实施例的一种具体实施方式中,所述初级胶囊层对特征图进行向量化处理,构建输入向量;
初级胶囊对故障特征类别进行预测,由输入向量乘以权值共享的仿射变换矩阵得到预测向量:
uk|f=Wkuf
式中,uf,f=1,2,...,h代表输入向量,h代表初级胶囊的个数;Wk是第k个仿射变换矩阵;uk|f是预测向量,k表示仿射变换矩阵和数字胶囊的数量;
计算初级胶囊与数字胶囊之间的耦合系数,并对所有预测向量进行加权求和得到总输入向量;
式中,bkf为初级胶囊与数字胶囊之间的对数先验概率,初始值设为0,ckf为耦合系数;sk为总输出向量;
使用非线性函数将总向量长度压缩在(0,1)间,使向量模长表示实体存在概率,整个过程方向不变,公式如:
式中,vk为压缩后的总输出向量的长度;||sk||为总输出向量的模长;
迭代更新bkf与ckf,公式如;
bkf=bkf+vkuk|f
迭代更新多次后,胶囊层对各种特征进行学习后,以总输出向量的模长作为分类依据,进行故障类型分类。
在本发明实施例的一种具体实施方式中,所述CA-CPRN网络的损失函数为边际损失函数,其公式如下:
Lk=Tkmax(0,m+-||vk||)2+λ(1-Tk)max(0,||vk||-m-)2
其中,Lk为分类的指示函数,输入数据正确标签的位置与数字胶囊位置相同则为1,否则为0;m+、m-分别为上界与下界;vk为第k个数字胶囊的输出向量。
在本发明实施例的一种具体实施方式中,所述CA-CPRN网络的训练方法包括:
将强噪声信号加入至获取到的预设历史时间段内的滚动轴承振动数据,生成加噪信号;
对所述加噪信号进行连续小波变换,生成对应的时频图;
以所述时频图作为输入,以对应的故障识别结果作为输出,进行CA-CPRN网络的训练和参数更新。
本实施例为一种基于CA-CPRN的滚动轴承故障诊断方法,参见图1,包括以下步骤:
S1、选取某公开的滚动轴承振动数据集,对数据进行预处理,然后将数据中分别加入为-4dB、-2dB、0dB的高斯白噪声。
S2、将长时间序列滚动轴承振动数据矩阵化,构建连续小波变换时频图作为输入样本。由于每类包含了约240000个数据点,因此采用间隔取样的方式,取样步长为256,截取每784个数据点作为一个样本,小波基函数选取“cmor3-3”。
S3、将处理好的时频图作为数据集进行切分,按照3:1:1划分为训练集、验证集和测试集。训练集样本数为300,验证集样本数为100,测试集样本数为100。数据包括正常、内圈故障、滚动体故障、外圈故障四种类型数据,其中,三类故障数据又分别包括三种不同故障尺寸,具体如表1所示。
表1样本情况汇总
S4、将所述训练集和验证集的样本输入CA-CPRN网络中,进行模型训练和参数更新,训练集用于训练模型,验证集用于检测模型效果;当模型达到指定迭代次数后,结束训练。
S41、通道注意力模块(CA)
对时频图进行特征提取后,生成特征图;通道注意力模块包括压缩、激励与加重加权三个过程,用于处理,赋予特征图不同权重,其数学模型如下:
(1)压缩过程:对所述特征图Z进行全局平均池化,将维度为W×H×C的特征图压缩为1×1×C,得到压缩后的特征图z,压缩后的特征图z在第c个通道上的值zc的计算公式为:
其中,uc表示在第c个通道上输出的特征矩阵。
(2)激励过程:利用第一全连接层将特征图z的通道维度降低为原来的1/r,然后经过relu激活函数,得到特征图z',再通过第二全连接层,将特征图z'恢复到初始的1×1×C的维度,得到特征图z”,最后经过sigmoid函数将特征图z”转化为一个0-1之间的归一化权重向量,所述归一化权重向量计算公式如下:
Z* c=F2(w2×F1(w1×zc))
式中,F1表示relu激活函数,F2表示sigmod激活函数,Z* c表示每一个通道归一化权重向量,w1表示第一全连接层的权重,w2表示第二全连接层的权重。
(3)权重加权:将归一化权重向量加权到每个通道的特征图上,即逐通道乘以权重系数,计算公式如:
X=Z* c×uc
式中,X表示通道注意力模块的输出结果,Z* c表示第c个通道上输出的特征矩阵的权重。
S42、残差胶囊网络(CPRN)
CPRN的结构与参数分别如图2与表2所示。
CPRN由残差神经网络和胶囊层堆叠而成,所述残差神经网络包括:3×3的卷积层、2×2的最大池化层、残差块、1×1的卷积层、残差块,其中残差块均由两个大小为3×3的卷积层构成,并在卷积层后进行批量标准化(BN)。所述胶囊层包括顺次设置的初级胶囊层和数字胶囊层。
所述残差神经网络的工作过程如下:
(1)经由注意力模块输出的特征图首先经过核尺寸为3×3的卷积层,得到尺寸为56×56、通道数为16的特征图。
(2)经由最大池化层,对特征图进行降维,得到尺寸为28×28、通道数为16的特征图。
(3)两个残差块结构如下:3×3的卷积层+BN层+relu激活函数+3×3的卷积层+BN层。在两个残差块之间设置尺寸为1×1的卷积层,目的是降维并调整通道数以便特征图输入第二个残差块。在残差块中,各个卷积层之间的输入和输出之间添加跳跃连接以提升网络性能,公式如下:
xl=f(xl-1)+xl-1
式中,xl是第l层输出;xl-1是第l-1层的输出,也是第l层的输入;f(·)是非线性变换。
经由残差神经网络生成特征图后,得到尺寸为14×14、通道数为32的特征图。将其输入胶囊网络中进行深层特征的提取。
胶囊网络由初级胶囊层与数字胶囊层构成,初级胶囊层中将标量转化为向量作为动态路由算法的输入,数字胶囊层中对向量进行矩阵变换、加权求和、非线性变换等一系列操作后,输出代表数据特征的特征向量,具体工作过程如下:
(1)初级胶囊层对特征图进行向量化处理,构建输入向量。构建向量神经元的方法是将32个输入特征通道合并成为一个新的胶囊单元,最终可得到196个维度为32的输入向量。
(2)初级胶囊对故障特征类别进行预测,由输入向量乘以权值共享的仿射变换矩阵得到预测向量,上层胶囊可通过该矩阵来识别出底层胶囊是否具有该特征,最终初始胶囊从32维映射至16维,公式如:
uk|f=Wkuf
式中,uf,f=1,2,...,h代表输入向量,h代表初级胶囊的个数;Wk是第k个仿射变换矩阵;uk|f是预测向量,k表示仿射变换矩阵的数量。
(3)计算预测胶囊与数字胶囊之间的耦合系数,并对所有预测向量进行加权求和得到维度为1×16总输入向量,公式如:
式中,bkf为初级胶囊与数字胶囊之间的对数先验概率,初始值设为0,ckf为耦合系数;sk为总输出向量。
(4)使用非线性函数将总向量长度压缩在(0,1)间,使向量模长表示实体存在概率,整个过程方向不变,公式如:
式中,vk为压缩后的总输出向量的长度;||sk||为总输出向量的模长;
(5)迭代更新bkf与ckf,公式如;
bkf=bkf+vkuk|f
(6)迭代更新多次后,胶囊层对各种特征进行学习后,以总输出向量的模长作为分类依据,进行故障类型分类。
表2 CPRN网络结构参数
为了实现同时对多个对象的识别,每类目标对象对应的胶囊应分别使用边际损失函数(Margin-Loss)得到类损失,其公式如下所示:
Lk=Tkmax(0,m+-||vk||)2+λ(1-Tk)max(0,||vk||-m-)2
式中,Tk为分类的指示函数,输入数据正确标签的位置与数字胶囊位置相同则为1,否则为0;λ根据经验一般设为0.5,以保证损失值的稳定性;m+、m-分别为上界与下界,通常分别取值0.9、0.1。
S5、将所述测试集的样本输入到训练好的CA-CPRN中,得到诊断的结果。CA-CPRN结构图如图3所示。
为了验证本申请所提出的CA-CPRN模型的性能,分别考察不同工况下CA-CPRN在不同信噪比下故障诊断结果。实验结果如表3所示,CA-CPRN模型在信噪比-4dB到0dB的环境中,随信噪比提高,故障诊断准确率也随之提高。在-4dB的强噪声环境下,模型在四种工况下依然可以达到98.7%的平均故障诊断准确率,并且总平均准确率达到99.09%,证明模型具有良好的抗噪能力。
表3 CA-CPRN在不同信噪比下故障诊断结果
为了验证本申请所提出的CA-CPRN模型相较于其他模型的优越性,采用了以下几个模型作为对比:CPRN、ResNet、CapsCNN、CNN。将相同的实验数据分别输入不同网络模型中,获得各自的诊断准确率。如图4所示。对比可知CA-CPRN在三种噪声等级下的平均故障诊断准确率均高于其他模型,证明CA-CPRN模型拥有更强的抗噪性能,验证了模型在噪声条件下的优越性。
图5为本实施例CA-CPRN模型训练集损失函数随迭代次数的变化情况.可以看出,训练集时频图在刚进入网络便能达到90%以上的故障识别准确率。在迭代7次左右时,误差达到收敛,训练集与验证集的故障识别准确率一直稳定在99.5%以上,并且损失函数曲线稳定下降,说明网络没有出现过拟合的现象。
实施例2
基于与实施例1相同的发明构思,本发明实施例中提供了一种滚动轴承故障诊断装置,包括:
数据获取模块,用于获取含有噪声的实时滚动轴承振动数据,对其进行连续小波变换,生成对应的时频图;
诊断模块,用于将所述时频图输入至预先训练好的CA-CPRN网络中,生成故障诊断结果;
其中,所述CA-CPRN网络的训练方法包括:
所述CA-CPRN网络包括顺次设置的通道注意力模块和CPRN网络;
所述通道注意力模块用于对接收到的时频图依次进行压缩、激励与加重加权处理,生成特征图;
所述CPRN网络包括残差神经网络和胶囊层,所述残差神经网络包括第一卷积层、最大池化层、第一残差块、第二卷积层和第二残差块;所述胶囊层包括顺次设置的初级胶囊层和数字胶囊层;所述初级胶囊层用于将标量转化为向量,生成输入向量,所述数字胶囊层用于对所述输入向量进行矩阵变换、加权求和、非线性变换,生成代表数据特征的特征向量。
其余部分均与实施例1相同。
实施例3
基于与实施例1相同的发明构思,本发明实施例中提供了一种滚动轴承故障诊断系统,包括存储介质和处理器;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据第一方面中任一项所述的方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.一种滚动轴承故障诊断方法,其特征在于,包括:
获取含有噪声的实时滚动轴承振动数据,对其进行连续小波变换,生成对应的时频图;
将所述时频图输入至预先训练好的CA-CPRN网络中,生成故障诊断结果;
其中,所述CA-CPRN网络包括顺次设置的通道注意力模块和CPRN网络;
所述通道注意力模块用于对接收到的时频图依次进行压缩、激励与加重加权处理,生成特征图;
所述CPRN网络包括残差神经网络和胶囊层,所述残差神经网络包括第一卷积层、最大池化层、第一残差块、第二卷积层和第二残差块;所述胶囊层包括顺次设置的初级胶囊层和数字胶囊层;所述初级胶囊层用于将标量转化为向量,生成输入向量,所述数字胶囊层用于对所述输入向量进行矩阵变换、加权求和、非线性变换,生成代表数据特征的总输出向量,并以总输出向量的模长作为分类依据,进行故障类型分类。
2.根据权利要求1所述的一种滚动轴承故障诊断方法,其特征在于:所述通道注意力模块对接收到的时频图执行以下处理:
将输入的时频图进行特征提取,生成维度为W×H×C的特征图Z;
对所述特征图Z进行全局平均池化,将维度为W×H×C的特征图压缩为1×1×C,得到压缩后的特征图z,压缩后的特征图z在第c个通道上的值zc的计算公式为:
其中,uc表示在第c个通道上输出的特征矩阵;
利用第一全连接层将特征图z的通道维度降低为原来的1/r,然后经过relu激活函数,得到特征图z',再通过第二全连接层,将特征图z'恢复到初始的1×1×C的维度,得到特征图z”,最后经过sigmoid函数将特征图z”转化为一个0-1之间的归一化权重向量,所述归一化权重向量计算公式如下:
Z* c=F2(w2×F1(w1×zc))
式中,F1表示relu激活函数,F2表示sigmod激活函数,Z* c表示每一个通道归一化权重向量,w1表示第一全连接层的权重,w2表示第二全连接层的权重;
将归一化权重向量加权到每个通道的特征图上,即逐通道乘以权重系数,计算公式如:
X=Z* c×uc
式中,X表示通道注意力模块的输出结果,Z* c表示第c个通道上输出的特征矩阵的权重。
3.根据权利要求1所述的一种滚动轴承故障诊断方法,其特征在于:所述第一残差块和第二残差块均包括顺次设置的3×3的卷积层、第一BN层、relu激活函数、3×3的卷积层和第二BN层;
在所述第一残差块和第二残差块中,各个卷积层之间的输入和输出之间添加跳跃连接公式如下;
xl=f(xl-1)+xl-1
式中,xl是第l层输出;xl-1是第l-1层的输出;f(·)是非线性变换。
4.根据权利要求1所述的一种滚动轴承故障诊断方法,其特征在于:
所述初级胶囊层对特征图进行向量化处理,构建输入向量;
初级胶囊对故障特征类别进行预测,由输入向量乘以权值共享的仿射变换矩阵得到预测向量:
uk|f=Wkuf
式中,uf,f=1,2,...,h代表输入向量,h代表初级胶囊的个数;Wk是第k个仿射变换矩阵;uk|f是预测向量,k表示仿射变换矩阵和数字胶囊的数量;
计算初级胶囊与数字胶囊之间的耦合系数,并对所有预测向量进行加权求和得到总输入向量;
式中,bkf为初级胶囊与数字胶囊之间的对数先验概率,初始值设为0,ckf为耦合系数;sk为总输出向量;
使用非线性函数将总向量长度压缩在(0,1)间,使向量模长表示实体存在概率,整个过程方向不变,公式如:
式中,vk为压缩后的总输出向量的长度;||sk||为总输出向量的模长;
迭代更新bkf与ckf,公式如;
bkf=bkf+vkuk|f
迭代更新多次后,胶囊层对各种特征进行学习后,以总输出向量的模长作为分类依据,进行故障类型分类。
5.根据权利要求1所述的一种滚动轴承故障诊断方法,其特征在于:所述CA-CPRN网络的损失函数为边际损失函数,其公式如下:
Lk=Tkmax(0,m+-||vk||)2+λ(1-Tk)max(0,||vk||-m-)2
其中,Lk为分类的指示函数,输入数据正确标签的位置与数字胶囊位置相同则为1,否则为0;m+、m-分别为上界与下界;vk为第k个数字胶囊的输出向量。
6.根据权利要求1所述的一种滚动轴承故障诊断方法,其特征在于:所述CA-CPRN网络的训练方法包括:
将强噪声信号加入至获取到的预设历史时间段内的滚动轴承振动数据,生成加噪信号;
对所述加噪信号进行连续小波变换,生成对应的时频图;
以所述时频图作为输入,以对应的故障识别结果作为输出,进行CA-CPRN网络的训练和参数更新。
7.一种滚动轴承故障诊断装置,其特征在于,包括:
数据获取模块,用于获取含有噪声的实时滚动轴承振动数据,对其进行连续小波变换,生成对应的时频图;
诊断模块,用于将所述时频图输入至预先训练好的CA-CPRN网络中,生成故障诊断结果;
其中,所述CA-CPRN网络的训练方法包括:
所述CA-CPRN网络包括顺次设置的通道注意力模块和CPRN网络;
所述通道注意力模块用于对接收到的时频图依次进行压缩、激励与加重加权处理,生成特征图;
所述CPRN网络包括残差神经网络和胶囊层,所述残差神经网络包括第一卷积层、最大池化层、第一残差块、第二卷积层和第二残差块;所述胶囊层包括顺次设置的初级胶囊层和数字胶囊层;所述初级胶囊层用于将标量转化为向量,生成输入向量,所述数字胶囊层用于对所述输入向量进行矩阵变换、加权求和、非线性变换,生成代表数据特征的特征向量。
8.一种滚动轴承故障诊断系统,其特征在于,包括存储介质和处理器;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410219264.XA CN117969094A (zh) | 2024-02-28 | 2024-02-28 | 一种滚动轴承故障诊断方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410219264.XA CN117969094A (zh) | 2024-02-28 | 2024-02-28 | 一种滚动轴承故障诊断方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117969094A true CN117969094A (zh) | 2024-05-03 |
Family
ID=90853151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410219264.XA Pending CN117969094A (zh) | 2024-02-28 | 2024-02-28 | 一种滚动轴承故障诊断方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117969094A (zh) |
-
2024
- 2024-02-28 CN CN202410219264.XA patent/CN117969094A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110516305B (zh) | 基于注意机制元学习模型的小样本下故障智能诊断方法 | |
CN111914873A (zh) | 一种两阶段云服务器无监督异常预测方法 | |
CN113255882B (zh) | 一种基于改进卷积胶囊网络的轴承故障诊断方法 | |
CN110657984A (zh) | 一种基于强化胶囊网络的行星齿轮箱故障诊断方法 | |
CN113203914A (zh) | 基于dae-cnn的地下电缆早期故障检测和识别方法 | |
CN114048787B (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统 | |
CN115392301A (zh) | 换流变压器状态识别方法、装置、设备、介质和程序产品 | |
CN116827685B (zh) | 基于深度强化学习的微服务系统动态防御策略方法 | |
CN113299298A (zh) | 残差单元及网络及目标识别方法及系统及装置及介质 | |
CN115931359B (zh) | 一种涡轮泵轴承故障诊断方法及装置 | |
CN115356599B (zh) | 一种多模态城市电网故障诊断方法及系统 | |
CN117150402A (zh) | 基于生成式对抗网络的电力数据异常检测方法及模型 | |
CN117969094A (zh) | 一种滚动轴承故障诊断方法、装置及系统 | |
CN116754213A (zh) | 一种基于强噪声背景下的电动闸阀故障诊断方法、装置及设备 | |
CN116312639A (zh) | 语音情感识别方法、装置、存储介质和计算机设备 | |
CN113409213B (zh) | 柱塞泵故障信号时频图降噪增强方法和系统 | |
CN113095381B (zh) | 一种基于改进型dbn的水声目标辨识方法及系统 | |
CN115936926A (zh) | 一种基于smote-gbdt的不平衡窃电数据分类方法、装置、计算机设备和存储介质 | |
CN113970680A (zh) | 一种电弧检测方法及装置 | |
CN113177599A (zh) | 一种基于gan的强化样本生成方法 | |
CN117494588B (zh) | 一种风机轴承剩余有效寿命优化方法、设备及介质 | |
Wang et al. | Fault diagnosis using imbalanced data of rolling bearings based on a deep migration model | |
CN113449304B (zh) | 一种基于策略梯度降维的恶意软件检测方法及装置 | |
Xu et al. | Intelligent deep adversarial network fault diagnosis method using semisupervised learning | |
CN115687895A (zh) | 一种基于二维卷积神经网络的电机故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |